Impact des déterminants socioéconomiques sur l’accès aux informations liées à la santé des habitants de Chicago
Gyldano DADJEDJI & Kwami NOUCHET
2024-12-11
1 Introduction et Objectif de l’étude :
Les résultats en matière de santé sont influencés par des facteurs socioéconomiques et environnementaux. À Chicago, les disparités géographiques et démographiques révèlent des inégalités marquées dans les déterminants de la santé, telles que la pauvreté, l’accès à l’éducation, le chômage, et les conditions de logement. Ces déterminants, souvent interconnectés, influencent directement la littératie en santé des populations, définie comme la capacité à comprendre et à utiliser les informations relatives à la santé pour prendre des décisions éclairées.
Des études ont montré que des facteurs tels que le revenu, le niveau d’éducation, l’accès aux soins, et les conditions de vie contribuent de manière significative à ces disparités.
C’est dans ce cadre que ce projet s’inscrit. Il s’agira de modéliser et de prédire les niveaux de littératie en santé en fonction des déterminants socioéconomiques, démographiques et spatiaux des secteurs de Chicago. De façon plus explicite, il s’agira d’identifier les facteurs clés influençant l’indice de littératie HealthLit et de formuler des recommandations pour améliorer les connaissances en santé.
2 Lecture des données et préparation des données
2.1 Source et description des données
https://geodacenter.github.io/data-and-lab/Chi-SDOH/
Les données utilisées dans cette étude proviennent principalement des bases publiques et administratives relatives à la ville de Chicago de la plateforme GeoDa data and Lab , complétées par des sources nationales et locales notamment Recensement Américain (U.S. Census Bureau), l’Agence de Planification Régionale de Chicago (CMAP) et le Service de Santé de Chicago pour garantir une couverture exhaustive des déterminants socioéconomiques et des résultats de santé.
2.2 Liste des variables :
| Variable | Description |
|---|---|
| OBJECTID | Identifiant unique de secteur de recensement |
| Shape_Leng | Périmètre |
| Shape_Area | Aire |
| TRACTCE10 | Code FIPS de tract |
| Géoïde10 | Code d’identification GEO complet |
| commarea | Indicatif régional de la communauté |
| EnfantPvt14 | Pourcentage d’enfants vivant dans la pauvreté (2014) |
| EP_CROWD | Pourcentage de logements surpeuplés (2014) |
| EP_UNINSUR | Pourcentage de personnes non assurées (2014) |
| EP_MINRTY | Pourcentage de minorités (2014) |
| Ovr6514P | Pourcentage de la population âgée de plus de 65 ans (2014) |
| EP_AGE17 | Pourcentage d’enfants et de jeunes (< 18 ans, 2014) |
| EP_DISABL | Pourcentage de personnes handicapées (2014) |
| EP_NOHSDP | Pourcentage sans diplôme d’études secondaires (2014) |
| EP_LIMENG | Pourcentage ayant une maîtrise limitée de l’anglais (2014) |
| EP_SNGPNT | Pourcentage de ménages monoparentaux (2014) |
| Pov14 | Pourcentage de personnes vivant dans la pauvreté (2014) |
| EP_PCI | Revenu par habitant (2014) |
| Unemp14 | Taux de chômage (2014) |
| EP_NOVEH | Pourcentage de ménages sans véhicule (2014) |
| FORCLRISK | Risque de saisie (2011) |
| HealthLit | Indice de littératie en santé (2014) |
| CarC14P | Pourcentage de déplacements domicile-travail en voiture (2014) |
| VOITURE | Variable indicatrice : Plus de 50 % du trajet en voiture |
| NOCAR | Variable indicatrice : Moins de 50 % de déplacements en voiture |
| CTA14P | Pourcentage de navetteurs en transport en commun (2014) |
| CTA | Variable indicatrice : Plus de 50 % du transport en commun |
| CmTm14 | Temps de trajet moyen (en minutes, 2014) |
| Undr514P | Pourcentage de jeunes enfants (< 5 ans, 2014) |
| Wht14P | Pourcentage de blancs (2014) |
| WHT50PCT | Indicateur : Pourcentage de blancs d’origine |
| Wht | Nouvelle variable d’indicateur blanc (>= 50 %) |
| Blk14P | Pourcentage de Noirs (2014) |
| BLCK50PCT | Indicateur : Pourcentage de Noirs d’origine |
| Blk | Nouvelle variable d’indicateur noir (>= 50 %) |
| Hisp14P | Pourcentage d’Hispaniques (2014) |
| HISP50PCT | Indicateur : Pourcentage d’Hispaniques d’origine |
| Hisp | Nouvelle variable indicatrice hispanique (>= 50 %) |
| Pop2014 | Population totale (2014) |
| PDENS14 | Densité de population (2014) |
| MEANMI_07 | Distance moyenne aux supermarchés (en miles, 2007) |
| MEANMI_11 | Distance moyenne aux supermarchés (en miles, 2011) |
| MEANMI_14 | Distance moyenne aux supermarchés (en miles, 2014) |
| PCCRIMERT15 | Taux de crimes contre les biens (2015) |
| VCRIMERT15 | Taux de crimes violents (2015) |
| ForclRt | Taux de saisies (2014) |
| EP_MUNIT | Pourcentage de logements à logements multiples (2014) |
| EP_GROUPQ | Population vivant en établissement (2014) |
| SchHP_MI | Distance de l’école de haute performance la plus proche (2012) |
| BrownF_MI | Distance jusqu’à la friche industrielle la plus proche (2012) |
En combinant quelques de ces variables dans un modèle économétrique, nous pouvons examiner leur influence collective sur la littératie en santé par habitant dans la région de chicago et fournir des insights pour des décisions politiques éclairées.
L’équation de notre modèle économétrique est donc formulée comme suit :
\[ HealthLit =b_0+b_1*EP_CROWD+b_2*EP_DISABL +b_3*Unemp14+b_4*NOCAR+ b_5*CTA14P + b_6*Blk14P + b_7*Hisp14P + b_8*MEANMI_14 + b_8*PCRIMERT15 + b_9*VCRIMERT15 + b_10*ForclRt + b_11*SchHP_Mi + e \]
2.3 Statistiques descriptives
Pour approfondir notre compréhension du PIB par habitant, nous allons procéder à une analyse statistique desctriptive. Celle-ci consistera en la représentation graphique du l’indice de littératie en santé.
Le graphique présente la distribution de l’indice de littératie en santé (HealthLit), c’est-à-dire la capacité des individus à comprendre et utiliser des informations liées à la santé pour prendre des décisions éclairées. De ce graphique, on note une distribution asymétrique à gauche, avec une forte concentration des valeurs autour de 240 et 260. Cela indique que la majorité de la population de chicago possède un niveau de littératie en santé relativement élevé. Aussi, on constate qu’une petite proportion de la population présente un indice de littératie très faible (entre 120 et 200). Cette catégorie, bien que minoritaire, pourrait représenter un groupe vulnérable ayant des difficultés à accéder et à comprendre les informations médicales
2.3.1 Boxplots des personnes non assurées, du taux de pauvreté et des personnes handicapées
Ce graphique illustre les distributions de quatre déterminants socioéconomiques ayant un impact potentiel sur les résultats de santé des habitants de Chicago : le taux de personnes non assurées, le taux de pauvreté, le taux de chômage et le pourcentage de personnes handicapées. Le pourcentage de personnes non assurées montre une certaine dispersion avec des valeurs aberrantes élevées. Cela indique que dans certaines zones de Chicago, une grande partie de la population n’a pas accès à une couverture santé. Le taux de pauvreté présente également des valeurs extrêmes, révélant une forte hétérogénéité entre les quartiers de Chicago. Certaines zones souffrent de niveaux élevés de pauvreté. Aussi, le taux de chômage est relativement concentré autour de valeurs basses, mais quelques quartiers enregistrent des niveaux élevés. Cela traduit des disparités dans les opportunités économiques au sein de Chicago. Et enfin, le pourcentage de personnes handicapées présente une distribution assez resserrée, mais quelques valeurs aberrantes indiquent des zones où la proportion de personnes handicapées est plus élevée.
2.4 Correlation
Pour en apprendre davantage sur le type de lien qui existe entre notre variable cible et nos variables exogènes, nous utilisons une réprésentation graphique de nuage de points.
EP_CROWD + EP_DISABL + Unemp14 + NOCAR + CTA14P + Blk14P + Hisp14P + MEANMI_14 + PCRIMERT15 + VCRIMERT15 + ForclRt + SchHP_Mi
Les deux graphiques ci-dessus explorent la relation entre l’indice de littératie (HealthLit), les personnes noires et les personnes handicapées. De ces graphiques, on constate une légère augmentation du taux de personnes en situation de handicap avec l’augmentation de l’indice de littératie. Cependant, cette relation est très faible et peu significative au vu de la dispersion des points. Aussi, la courbe semble suggérer une légère augmentation du taux de personnes en situation de handicap avec l’augmentation de l’indice de littératie. Cependant, cette relation est très faible et peu significative au vu de la dispersion des points.
3 Représentation cartographique des données
3.1 Fond de carte
Nous procédons alors à la représentation d’un fond de carte essentiel pour l’intégration future des données socioéconomiques, facilitant ainsi l’analyse spatiale des déterminants de la santé
3.2 Représentation de l’indice de littératie en santé à chicago par tmap
Par la suite, une nouvelle variable catégorielle category a été créee pour segmenter les données de HealthLit en quartiles (Q1, Q2, Q3, Q4). Cela permet d’analyser la distribution des valeurs de manière groupée, facilitant par exemple la cartographie thématique ou des comparaisons statistiques entre les groupes.
Cette carte offre une visualisation intéressante des disparités en matière de littératie en santé à travers la ville de Chicago. Elle semble indiquer la présence de clusters de secteurs avec un faible niveau de littératie. Ces zones pourraient correspondre à des quartiers défavorisés, avec des populations à faible revenu, un niveau d’éducation plus bas et un accès limité aux soins de santé.
4 Matrice de poids basée sur les 4 plus proches voisins
4.1 Identification et représentation des 4 plus proches voisins
Afin de mieux comprendre la proximité spatiale des zones étudiées, une analyse des quatre plus proches voisins a été réalisée. Cette approche permet d’identifier les relations de voisinage immédiates pour chaque unité spatiale, facilitant ainsi la visualisation et l’interprétation des dynamiques locales au sein du territoire.
## [,1] [,2] [,3] [,4]
## [1,] 521 399 599 487
## [2,] 709 629 710 188
## [3,] 368 244 339 153
## [4,] 359 752 199 258
## [5,] 747 95 88 748
## [6,] 287 331 233 2274.2 Représentation graphique des 04 plus proches voisins
Pour la représentation on converti l’objet knn en une liste de voisins